Jul, 2024

利用因果学习和符合性预测提高投资回报率

PDF
TL;DR利用数据挖掘和神经网络技术的智能决策对商业领域的运营和维护、广告和营销推荐至关重要，本研究探讨了在不同行业中的具有成本意识的二进制处理分配问题（C-BTAP），尤其关注最先进的直接 ROI 预测（DRP）方法，改进了模型的结构以适应数据分布的不确定性和转变，通过离线测试和在线 A/B 测试，验证了这些方法的有效性并与最先进方法相比，取得了显著的改进。
intelligent decision-makingdata miningneural network technologiescost-aware binary treatment assignment problemdirect roi prediction
发现论文，激发创造
  • 使用测试时丢弃方法，提高深度神经网络的可靠预测误差

    本文介绍了一种使用测试时间 dropout 和符合预测计算可靠预测误差的深度神经网络框架，该框架的有效性以 24 个生物活性数据集的研究为支配证明。

    Apr, 2019

  • 基于课程引导的贝叶斯强化学习的 ROI 受限出价

    该篇论文描述了如何使用部分可观测马尔可夫决策过程方法做到在高度动态的广告市场中，自适应平衡 ROI 约束和目标优化的需求并提出了一种调整策略的贝叶斯强化学习框架。

    Jun, 2022

  • 具有改进效率的可证实稳健拟合预测

    该研究提出了一种名为 RSCP + 的新框架，用于在评估中提供可靠的鲁棒性保证，同时提出了两种新的方法 PTT 和 RCT，以减少预测集大小并提供实际的鲁棒性保证。

    Apr, 2024

  • CLDR: 自然语言监督下的对比学习药物响应模型

    利用基于深度学习的药物响应预测方法可以加快药物研发过程和降低研发成本。通过提出一种基于对比学习的自然语言监督框架，将回归标签转换为文本，并将其与传统的图形和序列模态进行比较，可以在药物响应预测方面取得卓越的预测性能，并能有效约束样本在表示空间中的连续分布。

    Dec, 2023

  • MAP: 用于点击率预测的模型无关预训练框架

    基于大规模用户点击日志的自我监督学习对于点击率（CTR）预测仍然是一个开放性问题，而我们提出了一个无模型的预训练框架，利用特征破坏和恢复，挖掘多领域分类数据的特征交互，并通过两种实用的算法（即遮蔽特征预测和更替特征检测）进一步优化 CTR 预训练，实现了在 CTR 预测方面的有效性和效率的新的最先进表现。

    Aug, 2023

  • 基于 Copula 的多目标回归符合预测

    本研究旨在解决多目标回归中的频率校准问题，通过对深度神经网络应用随机向量函数解决问题，结果表明该方法能有效保证各种数据集上的多目标回归问题的效率和准确性。

    Jan, 2021

  • 基于表示学习的点击率预测

    DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

    Jun, 2019

  • 电力市场中光伏发电的随机决策的一致性预测

    该论文研究了使用符合性预测（CP）这种新兴的概率预测方法对光伏发电功率进行次日预测，以提高其参与电力市场的效果。研究结果表明，将 CP 与最近邻和 / 或 Mondrian binning 相结合优于线性分位数回归器，将 CP 与特定的竞标策略相结合，可以在最小化能量不平衡的同时获得高利润。

    Mar, 2024

  • 深度学习模型不确定性的置信度量化

    本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。

    Jun, 2023

  • 可验证的强健拟合预测

    使用最新的神经网络验证方法，基于 VRCP（可验证鲁棒性适应预测）框架，本文提出了一种新的方法，用于恢复在遭受对抗攻击时的预测覆盖率保证，并支持任意范数的扰动和回归任务，实验结果表明，在图像分类和强化学习环境的回归任务中，VRCP 方法达到了超过标称覆盖率的结果，并且比目前最先进的方法更高效且信息量更丰富。

    May, 2024